Stima guidata dalla fisica dello stato di carico dei veicoli merci usando i dati del tachigrafo digitale

Perché il carico dei camion riguarda tutti

Ogni giorno, migliaia di camion pesanti trasportano merci che mantengono in funzione la vita moderna — dai generi alimentari e medicinali ai materiali da costruzione. Eppure una quota sorprendente di questi veicoli circola quasi o completamente vuota, sprecando carburante, degradando le infrastrutture stradali e aumentando congestione e inquinamento atmosferico senza muovere alcun carico. Questo studio dimostra come i dati già raccolti sui camion per motivi di sicurezza possano essere riutilizzati per rilevare, in tempo quasi reale, se un veicolo è carico o vuoto, creando nuovi strumenti per migliorare l’efficienza del trasporto merci, ridurre le emissioni e gestire meglio le infrastrutture stradali.

Indizi nascosti nelle scatole nere dei camion

In Corea, i camion sopra una certa dimensione devono essere dotati di un dispositivo chiamato tachigrafo digitale, che registra continuamente informazioni di guida di base come velocità, accelerazione, regimi del motore e posizione GPS. A differenza di sensori costosi su misura o sistemi di pesatura a bordo strada, queste unità sono già installate a livello nazionale e funzionano ogni giorno in condizioni reali. I ricercatori si sono posti una domanda semplice ma potente: usando soltanto questi segnali standard, possiamo stabilire in modo affidabile se un camion trasporta un carico o viaggia vuoto, senza aggiungere nuovo hardware?

Usare la fisica di base per leggere il comportamento del camion

Il team ha fondato il proprio approccio su un’idea fisica semplice: un camion pesante è più difficile da accelerare rispetto a uno leggero. Per rendere questo principio applicabile su larga scala, hanno combinato i dati del tachigrafo con mappe stradali e informazioni sull’altimetria. Dai segnali grezzi hanno dedotto quale marcia stesse usando il camion, a quale velocità si muoveva e se stava salendo o viaggiando in piano, per poi concentrarsi sui momenti in cui il conducente stava effettivamente accelerando. Confrontando i pattern di accelerazione di viaggi noti come carichi rispetto a viaggi a vuoto — usando i documenti di trasporto come verità di riferimento — hanno confermato che i camion carichi mostrano accelerazioni nettamente più deboli in condizioni comparabili di velocità, marcia e pendenza.

Addestrare una macchina prudente a decidere

Piuttosto che affidarsi a una regola empirica semplice, i ricercatori hanno addestrato una rete neurale bayesiana, un tipo di modello di apprendimento automatico che non solo prevede un risultato ma esprime anche quanto ne è sicuro. Il modello ha utilizzato tre ingredienti chiave — velocità, marcia dedotta e accelerazione media su brevi raffiche di nove secondi — per classificare ogni segmento di guida come carico o vuoto. Su singoli record ha identificato correttamente lo stato di carico in circa tre casi su quattro. Quando il modello ha esaminato brevi periodi di accelerazione, la precisione è salita a circa l’85% complessivo e ha superato il 90% sulle autostrade, dove la guida è più stabile. Combinando diversi segmenti consecutivi, ha raggiunto un’accuratezza quasi perfetta in questo caso di studio, continuando però a segnalare i casi incerti anziché forzare una previsione.

Dai flussi di dati a strade migliori e aria più pulita

Poiché i tachigrafi digitali sono già obbligatori per i camion pesanti in Corea, questo metodo può essere ampliato per fornire un quadro in tempo reale di dove e quando i camion trasportano merci oppure viaggiano vuoti, tutto senza installare nuovi sensori. Queste informazioni potrebbero aiutare le aziende di logistica ad abbinare camion vuoti a spedizioni vicine, riducendo i viaggi inutili; offrire ai pianificatori una visione più chiara di dove i carichi pesanti stressano pavimentazioni e ponti; e supportare un’applicazione più intelligente contro il sovraccarico cronico. Sebbene lo studio attuale si sia concentrato su un tipo di camion da 25 tonnellate di una singola azienda, il quadro può essere riaddestrato per altre flotte, trasformando i dati di routine per la sicurezza in uno strumento pratico per sistemi di trasporto merci più puliti, efficienti e duraturi.

Citazione: Tak, J., Hong, J. & Park, D. Physics-guided estimation of freight vehicle loading status using digital tachograph data. Sci Rep 16, 12633 (2026). https://doi.org/10.1038/s41598-026-42232-5

Parole chiave: camion merci, tachigrafo digitale, dati sul trasporto, apprendimento automatico, efficienza logistica